С помощью машинного обучения было осуществлено исправление квантовых ошибок

Физики применили алгоритмы самостоятельного машинного обучения к одной из самых сложных проблем, касающихся квантовых компьютеров: квантовое исправления ошибок, которое используется для создания устойчивых к шуму протоколов квантовых компьютеров. В новом исследовании было показано, что вид нейронной сети, называемый машина Больцмана, может быть обучен для выявления ошибок в протоколах у квантовых компьютеров и последующему планированию и осуществлению лучшего метода исправления ошибок.

Физики Джакомо Торлай и Роджер Г. Мелко из Университета Ватерлоо и Института теоретической физики Периметр опубликовали статью об алгоритмах нового машинного обучения в недавнем издании Physical Review Letters.

«Идея, лежащая в основе нейронной дешифровки, состоит в том, чтобы обойти процесс создания дешифрующего алгоритма с помощью применения особого кода (учитывая некоторые шумовые погрешности), и позволить нейронной сети научиться выполнять восстановление напрямую из первичных данных, полученных из простейших кодовых измерений» - рассказал Торлай.

«Учитывая последние успехи в квантовых технологиях и массу квантовых устройств, которые в скором времени станут доступными, нейронная дешифровка сможет регулировать различные схемы, так же как и источники помех».

Как объясняют ученые, машина Больцмана - это один из простейших видов вероятностных искусственных нейронных сетей, и может быть использована для анализа самой различной информации. Нейронные сети обычно выделяют особенности и модели первичных данных, которые в этом случае являются набором данных, содержащих возможные ошибки, способные поразить квантовые состояния.

Как только новый алгоритм, который физики называют нейронной дешифровкой, настроится на эти данные, он будет способен создать точную модель вероятностного распределения ошибок. Обладая этой информацией, нейронный дешифратор сможет формировать потенциально возможные цепи ошибок, которые впоследствии могут быть использованы для восстановления правильных квантовых состояний.

Ученые протестировали нейронный дешифратор на квантовых топологических кодах, которые главным образом используются в квантовых компьютерах, и продемонстрировали, что алгоритм относительно просто можно осуществить. Другое достоинство нового алгоритма заключается в том, что он не зависит от особой геометрии, структуры или объема информации, что позволяет применять для решения широкого круга вопросов.

В будущем физики планируют исследовать различные способы применения алгоритма, например совмещать составные машины Больцмана таким образом, чтобы построить сеть с более глубокой структурой. Ученые также планируют применить нейронный дешифратор к более сложным, реальным кодам.

«На данный момент, нейронные дешифраторы были протестированы на простых кодах, обычно используемых в качестве критерия оценки», говорит Торлай. «Первой целью будет произвести исправления ошибок на кодах, для которых еще не найден эффективный дешифратор, например LDPC-коды (коды с малой плотностью проверок на чётность). Я верю, что в долгосрочной перспективе нейронная дешифровка будет играть важную роль в управлении большими квантовыми системами (сотни кубитов)».

Способность сжимать объекты большой размерности до малоразмерных изображений, чем обусловлен успех машинного обучения, позволит точно овладеть комплексным распространением, связанным с ошибками, возникающими в системе, а также получить результаты измерений.

Оригинал статьи прикреплен к записи.

Пояснения к изображениям:

Fig. 1.

Некоторые операции в торической двумерной плоскости. Логические операторы на реальной решетке представляют собой нетривиальные круги. Физическая цепь ошибок e (сиреневый) и ее совокупностей S(e) (черные квадраты). Цепь рекуперации r_' (зеленый) с оператором смешанных сетей, являющимся продуктом стабилизации (успех рекуперации). Цепь рекуперации r_'' (красный), где круг имеет нетривиальную гомологию и действует на состояние кода (логический блок).

Fig. 2.

Структура нейронного дешифратора. Скрытый слой h полностью подсоединен к совокупным и ошибочным слоям S и e с массами U и W, соответственно.

Fig. 3.

Вероятность логического блока обозначена как функция вероятности элементарной ошибки для MWPM (линии) и нейронного дешифратора (значки) размером L=4 (красный) и L=6 (зеленый).

Fig. 4.

Гистограмма гомологических классов, обработанная нейронным дешифратором для различных вероятностей элементарных ошибок p_err. Зеленые столбцы показывают тривиальный гомологический класс h_0, представляющий собой сжимаемые петли на торе. Остальные три класса представляют, соответствующие логические операции.

Источник: phys.org

Комментарии: